近年来,地球生态环境持续恶化,鸟类的生存状况日况愈下,甚至濒临灭绝,世界各国都在为保护濒危鸟类做出努力。但由于鸟的种类众多,若仅凭肉眼判断,不仅效率低劳动量大,准确率也难以得到保证。加之人类无法全天候在野外蹲守,使得如何有效统计鸟类种群存在及分布状况一直是一个具有挑战性的难题。随着深度学习的发展,计算机视觉技术得到越来越多研究者的关注。通过该技术自动统计自然界中鸟类的种类及数量分布,相对于人工进行统计,能够节省大量的人力物力,更加有利于为鸟类保护及生态环境变化评估提供重要的参考信息,因此,开展鸟类自动识别研究具有重要的应用价值。为此,本论文利用计算技术,通过结合语义分割、目标检测及目标分类开展鸟类目标自动识别算法的研究,主要工作包括:1)针对鸟类分类数据集不适用于目标检测,且目前不存在大规模用于鸟类目标检测的数据集的问题,本论文基于分类数据集,提出了一种结合语义分割与增广方法的鸟类目标检测数据集构建方法,并实现了鸟类的目标检测。首先利用语义分割计算出图像中鸟类位置。然后利用随机组合方式模拟复杂的实际环境,并同步处理位置信息,生成鸟类目标检测数据集。最后利用YOLOV3网络实现鸟类目标检测。2)针对YOLOV3目标检测网络无法有效应对鸟类子类间的细粒度分类任务、分类网络无法区分一张图像中的多种鸟类问题,本论文在1)的基础上增加分类网络来对鸟类子类进行分类,来弥补细粒度图像分类的不足。3)针对分类模型可能将其他特征误判为目标特征,造成误分类的问题,本论文提出了一种基于语义分割的可靠分类方法。首先,利用分割去除背景信息。然后分别在轻量级网络Darknet-reference和重量级网络Darknet53上进行训练验证,并分别实现轻量级与重量级鸟类目标可靠分类网络以适应不同条件下的需求。4)结合上述工作,设计了一个鸟类识别应用系统。该系统首先找到图像中各个鸟类并提取出来,然后去除背景,再输入到分类模块进行分类,最后返回检测结果。实验结果表明,本论文所设计的鸟类目标检测数据集构建方法能够实现鸟类分类数据集到目标检测数据集的自动转化,并有效增强模型的泛化能力,利用其所训练出的YOLOV3鸟类目标检测模型具有较好的检测效果。所提出的可靠分类方法能够在原有的基础上进一步实现可靠的鸟类目标分类,并在一定程度上提升分类准确率,具有较好的实际应用价值。